航空钣金零件缺失检测技术研究

导语：航空钣金零件缺失检测技术研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：针对传统钣金零件缺失检测效率差的问题，设计了基于VGG神经网络的钣金零件检测方法。经实际验证，航空钣金零件缺失检测技术能够很好地识别钣金零件缺失问题，具有较好的实用性。

关键词：钣金；缺失检测；VGG网络

在技术进展飞速的航空制造业中，钣金零件比其他种类零件质量更好、成本更低，这两个优势使得零部件制造业越来越多地采用钣金来设计制造，而钣金零件是飞机整个机体结构制造中最关键的零部件，据不完全统计，目前整个飞机零件的43%以上均采用钣金零件[1]。飞机零件中按照钣金零件的结构特征来划分，一般分为蒙皮类零件、框肋类零件、管子类零件、整体壁板类零件等多种类型。在现代化高科技的飞机制造中，钣金零部件大多具有非常复杂的自由曲面，形状不规则，飞机钣金零件的机械加工工艺特点与通常的机械钣金零件加工工艺具有较大的差别，随着机械制造技术的不断发展，钣金零部件的加工技术要求越来越高，对钣金零件的使用寿命要求异常苛刻，以保证机械加工的每个钣金零件都符合设计加工标准，使钣金零件缺失等质量问题成为钣金零件质量检测中的小概率事件。传统的人工钣金零件缺失质量检测方式不仅耗费资源，而且效率低，操作过程繁琐、操作步骤异常多、重复性劳动多，很难满足现代化的高效流程的大批量钣金零件加工要求。本文针对这个问题，采用大规模数据训练后的VGG神经网络，对钣金零件缺失进行检测，提高钣金零件缺失问题的质量检验效率，使企业具有更强的市场竞争力。

1VGG模型介绍

神经网络又称多层感知机，简单的网络由三层堆叠而成，主要有输入层、隐藏层和输出层，并以分层的方式进行数学抽象。神经网络一般是由数量庞大的神经元通过某种特定的结构连接在一起的，组成了能够并行处理的若干结构单元，每个神经元之间具有不同的连接权值，一旦特定的数据进到神经网络的输入层，这组数据就通过互相连接的网络一步步输出到了输出层。网络计算结果输出时，每个层级之间的运算都会直接被连接权值影响，当连接权值变动时，输出也会随之同步进行变动。每个节点代表一个权重，而这个节点的隐藏层是由多个层堆叠而成的，层和层之间代表着对上一层网络的输入。之后进行线性运算导入到激活函数里来，而运算结果作为新的输入再进入到下一层，按照这种方式逐层进行计算。为了采用每一层的激活函数来添加其非线性使得网络能够表达更多的数学信息，引入了激活函数，这样能够使神经网络在理论上逼近任意函数。网络训练时利用网络结构的前向传播运算结果与实际结果进行比较运算。利用反向传播算法会将误差逐层进行传播的特性，逐层运算逐层参数调整。VGG模型是一种卷积神经网络模型，其主要设计思想是把网络进行加深处理，然后把3×3的小卷积核和2×2的最大池化堆叠在一起，3×3卷积核是把其上下左右及中心等取最小值，把一部分的网络结构对通道利用1×1卷积核运算使其改变，这个卷积步长在这个网络结构中是1，然后进行卷积分组运算，把每组2~3个卷积层后放置到最大池化层中，每个池化在2×2像素的小窗口上平移[2]。神经网络性能与网络深度密切相关，深度越深效果越好，但随着网络深度的加深，神经网络的训练难度也会随之增大。VGG模型比普通的神经网络具有更深的网络结构，采用了数量更多的卷积核，但是不会在每个卷积后增加池化层，而是把全部的卷积分成若干组，每个组具有2～3个卷积层，把组和组之间的连接放置到池化层中，据统计，VGG模型比普通的神经网络错误率可降低17%。

2基于VGG的钣金零件缺失检测的设计

在钣金设计过程中，一般会有大数量钣金零件结构非常相似，但是尺寸会有细微的差别，这种典型的是标准件，比如螺栓、螺母、导柱、模柄等。还会有各种各样的组合件。因为这种类型的钣金零件数量非常庞大，而且结构形式非常繁多，在钣金零件整个产品设计周期中需要被频繁调用。那么如何减少钣金零件设计制造过程中的残次品率就显得非常重要，如何在钣金图像中把前景坐标具体位置通过数学运算定位出来，然后把定位出来的前景信息与标准钣金零件的前景信息进行数学对比运算，就可以计算出该钣金零件是否为标准钣金零件。一般图像目标检测主要分为两种：一种是把定位回归模型和物体分类模型全部放到一起的单阶段目标检测模型；一种是把目标框回归检测模型、物体分类检测模型分成独立的两个阶段进行的双阶段检测模型。单阶段检测模型具有检测速度快的优点，但缺点是精度较差，双阶段检测模型优点是检测精度较高，但缺点是检测速度非常慢。钣金零件缺失检测思路。前景区域识别模型识别出来的前景区域作为网络输入，对目标检测模型进行训练学习，在包含前景区域的图像中利用目标检测模型计算出目标前景的具体坐标，然后把这个计算出的具体坐标和标准的钣金零件图像对比判断是否存在误差缺失。目标检测一般有区域选择、特征提取、目标分类和坐标框回归四个步骤。特征提取是利用图像本身特性对图像进行运算处理，然后把提取出来的图像特征输入到VGG模型，然后对模型进行训练。利用Sober算子来计算检测图像的边缘信息求出水平边缘和垂直边缘，然后根据水平边缘和垂直边缘计算出梯度角度、梯度大小。根据图像分成若干个小的单元格，把每个单元格等分为N份梯度角度，判断每个单元格的梯度属于N中的哪个位置，再计算出统计直方图进行判断，这样每个单元格就变为一个N维的向量了，然后把图像分开成K×K大小的单元格，每个单元格就具有X个单元，标准化这些直方图运算，每个小方块包括X×N个向量，假设图像被分成M个小方块，那么就能计算出X×N×M维的向量。利用产生的数据进行网络训练，然后把训练好的VGG模型进行微调和优化。数据训练检测结果评价采用各类别的召回率R（Recall）和精度P（Preci-sion）来进行评价，如公式（1）、（2）：式中：PT为将正类预测为正类数；PF为将负类预测为正类数误报；NF为将正类预测为负类数。通过实际验证，系统设计的钣金零件缺失检测训练网络具有较高的识别效率。

3结语

针对钣金零件缺失检测问题，设计了基于VGG网络的检测技术。通过训练VGG网络，能够很好地识别钣金零件缺失，具有较好的实用性。

参考文献

[1]杨艳洲.钣金成形快速设计系统研究[D].南京：南京航空航天大学，2012.

[2]侯红亮，王耀奇，李晓华，等.先进钣金成形技术在航空航天领域的应用（上）[J].金属加工（热加工），2008（13）：60.

作者：陈晓童 单位：沈阳飞机工业（集团）有限公司